Linux下如何为文本文件第4列的基因名逐一添加序号

这是个非常典型的结构化文本处理需求，下面给你两种高效的实现方法，按需选择即可：

方法一：用awk快速处理（推荐，适合大文件） #

awk是Unix/Linux生态里处理这类文本的神器，流式处理的特性让它能轻松应对超大文件，不需要加载整个文件到内存。

执行以下命令就能完成需求：

awk '{count[$4]++; $4 = $4 "_" count[$4]; print}' input.txt > output.txt

命令解释： #

• count[$4]++：用一个关联数组count记录每个基因名的出现次数，每遇到一次对应基因，计数就加1。第一次遇到时默认初始值为0，加1后正好是第一个实例的编号1。
• $4 = $4 "_" count[$4]：把第4列的基因名替换成「原基因名_当前计数」的格式。
• print：输出修改后的整行内容。
• input.txt替换成你的原始文件名，output.txt是处理后的结果文件。

如果你的原始文件是制表符分隔（而非空格），可以指定分隔符保证格式不变：

awk 'BEGIN{FS=OFS="\t"} {count[$4]++; $4 = $4 "_" count[$4]; print}' input.txt > output.txt

方法二：用Python实现（适合熟悉Python的用户） #

如果你更习惯用Python处理文本，下面的代码也能完成同样的工作：

from collections import defaultdict

# 初始化计数字典，默认值为0
gene_count = defaultdict(int)

# 以读写模式分别打开原文件和输出文件
with open("input.txt", "r") as in_file, open("output.txt", "w") as out_file:
    for line in in_file:
        # 分割行内容（如果是制表符分隔就用 split('\t')）
        fields = line.strip().split()
        # 对应基因计数+1
        gene_count[fields[3]] += 1
        # 修改第4列（Python索引从0开始）
        fields[3] = f"{fields[3]}_{gene_count[fields[3]]}"
        # 重新拼接并写入文件
        out_file.write(" ".join(fields) + "\n")

小提示： #

• 如果你的文件特别大（比如几十GB级别），优先选awk，它的内存占用极低，处理速度更快；
• 两种方法都不会修改原始文件，结果会写入新的输出文件，不用担心数据丢失。

内容的提问来源于stack exchange，提问作者Steveman30290